诊断自闭症可能只需要进行十分钟的脑扫描。英国精神病研究院的克里斯汀·埃克（Christine Ecker）开发了一种软件来确定自闭症的解剖学特征。

埃克的研究团队对20位成年男性自闭症患者、20位注意力缺陷（俗称多动症）患者和20位健康对照者的脑部进行了MRI扫描。他们使用一种称为”支持向量机（SVM）”的机器学习工具来分析数据和确定图形，以比较各组之间的关键性差异，比如皮层皱褶和大脑弯曲度的差异。

SVM用于构建模型，以预测脑扫描结果属于自闭症组还是对照组。在将原始的扫描结果输入这个模型时，诊断自闭症的成功率达到90%。

现有的自闭症诊断工具都需要进行行为学测试和交谈，因此这些方法不但费时，而且可能引起紧张。埃克现在打算在儿童中对她的模型进行测试，她预测在儿童中结果会更准确，因为”健康脑和自闭症脑之间的解剖学差异在儿童期更加突出”。

伦敦大学学院的犹他·福尔斯（Uta Frith）说：”作者很谨慎地将这个工具用在一个特定的组，没有声称这个工具在各种类型的自闭症中都有用。这只是个开始，一种概念证明。必须在新的组中检验这个方法，看它是否达到相同的结果。”

她补充道，单单研究脑部解剖是不够的：”我们需要了解解剖学的差异是如何与精神生活相关，如果与人们的思维和感觉相关的。”

核磁共振扫描诊断自闭症的过程不像拍x光片看骨折那么容易，一下子就能看出伤情。即使现在我们对大脑的了解甚至可以达到“科学读心术”的水平，但是在它不正常时，我们却一直没有特别有效的技术手段来确诊精神疾病，一般都是通过对症状分析后做出的判断。而这个资讯中提到了一个新的技术，叫支持向量机（Support Vector Machine，SVM）。神经认知科学松鼠悠扬说，SVM的方法现在是fMRI的一个热门，在各方面都得到广泛应用。这种方式可以发掘出数据之间的更多联系，比之前简单地比较“激活”或者“没激活”的两组数据更有用。

SVM是神马机器？唔，其实它不是个机器，用数学松鼠fwjmath的说法，现在很流行一种研究模式：收集大量的数据，然后用人工智能中发展的算法来处理这些数据，尝试从中提取出有用的东西。SVM即是基于此建立的用来监督学习的人工智能分类器。顾名思义，分类器是给东西分类的，SVM可以把东西分成两类。最厉害的是它有“监督学习”能力，这样只要给SVM一堆已经分好类的数据，它就自行归纳出分类方法，把其他数据也照着分类了。有研究发现婴儿时期看到的面孔少，长大得脸盲的可能性就大，也许就是因为人脑中也有个类似监督学习分类机的装置。婴儿时期存储的原始数据不够多，给以后数据分析造成了麻烦。

fwjmath说，那些我们能拥有大量数据，但内部机理仍然不清楚的问题，比如说心理学啊基因啊，都可以采用这种研究模式。但问题在于，尽管这样有机会得到比较有效的模型，但对弄清楚问题的内部机理帮助不大，也就是诊断自闭症还可以，要想弄清楚自闭症的病根，从人工智能算法上还是看不出来的。

神经生物学松鼠anpopo也同意，自闭症不是由单一的化学物或者特定脑区的损伤造成的，所以我们去医院看病，医生会抽血啊拍片啊，把疑似症状一项项排除，最后根据化学物质的成分或者解剖结构的异常来判断是什么病，这些方法对自闭症都不管用。利用机器学习的方法间接诊断也属于另辟蹊径的办法。

悠扬推荐的著名神经认知博客neuroskeptic（需翻墙）上的一篇文章也专门介绍了这个研究。就临床诊断来说，如果一个不能确诊的病人经过SVM分析之后，显示他得了自闭症的可能性非常大，那么对于这个病例来说，SVM就可以作为患病的确凿证据。但是，如果用了SVM分析之后，得到的结果仍然是不能确诊，那么对于这种病例来说，仍然是缺乏有效办法的。值得注意的是，SVM的判断结果和自闭症患者的社会交往和沟通症状相关最大，这更说明用SVM方法进行的判断能够与表面症状紧密相关。另外比较重要的一点在于SVM能否区分自闭症患者和其他精神疾病？事实已经证明SVM可以区分自闭症和多动症（ADHD）病人的大脑，虽然还需要有和其他病人比较的结果做为证据，但这已经又进一步的支持了SVM能够提供一个针对自闭症患者的诊断标准。